笔者需要tensorflow仅运行在一个GPU上（机器本身有多GPU），而且需要依据系统参数动态调节，故无法简单使用CUDA_VISIBLE_DEVICES。

一种方式是全局使用tf.device函数生成的域，但设备号需要在绘制Graph前指定，仍然不够灵活。

查阅文档发现config的GPUOptions中的visible_device_list可以定义GPU编号从visible到virtual的映射，即可以设置tensorflow可见的GPU device，从而全局设置了tensorflow可见的GPU编号。代码如下：

config = tf.ConfigProto()config.gpu_options.visible_device_list = str(device_num)sess = tf.Session(config=config)

参考 多卡服务器下隐藏部分 GPU 和 TensorFlow 的显存使用设置，还可以通过os包设置全局变量CUDA_VISIBLE_DEVICES，代码如下：

os.environ["CUDA_VISIBLE_DEVICES"] = "2"

补充知识：TensorFlow 设置程序可见GPU与逻辑分区

TensorFlow 设置程序可见GPU(多GPU情况)

import matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlineimport numpy as npimport sklearnimport pandas as pdimport osimport sysimport timeimport tensorflow as tffrom tensorflow_core.python.keras.api._v2 import kerasprint(tf.__version__)print(sys.version_info)for module in mpl, np, pd, sklearn, tf, keras: print(module.__name__, module.__version__)# 打印变量所在位置tf.debugging.set_log_device_placement(True) # 获取物理GPU的个数gpus = tf.config.experimental.list_physical_devices("GPU") if len(gpus) >= 1: # 设置第几个GPU 当前程序可见 tf.config.experimental.set_visible_devices(gpus[0], "GPU") print("物理GPU个数:", len(gpus))# 获取逻辑GPU的个数logical_gpus = tf.config.experimental.list_logical_devices("GPU") print("逻辑GPU个数:", len(logical_gpus))

TensorFlow 设置GPU的 逻辑分区

import matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlineimport numpy as npimport sklearnimport pandas as pdimport osimport sysimport timeimport tensorflow as tffrom tensorflow_core.python.keras.api._v2 import kerasprint(tf.__version__)print(sys.version_info)for module in mpl, np, pd, sklearn, tf, keras: print(module.__name__, module.__version__)# 打印变量所在位置tf.debugging.set_log_device_placement(True) # 获取物理GPU的个数gpus = tf.config.experimental.list_physical_devices("GPU") if len(gpus) >= 1: # 设置第几个GPU 当前程序可见 tf.config.experimental.set_visible_devices(gpus[0], "GPU") # 设置GPU的 逻辑分区 tf.config.experimental.set_virtual_device_configuration( gpus[0], [tf.config.experimental.VirtualDeviceConfiguration(memory_limit=3072), tf.config.experimental.VirtualDeviceConfiguration(memory_limit=3072)])print("物理GPU个数:", len(gpus))# 获取逻辑GPU的个数logical_gpus = tf.config.experimental.list_logical_devices("GPU") print("逻辑GPU个数:", len(logical_gpus))

TensorFlow 手动设置处理GPU

import matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlineimport numpy as npimport sklearnimport pandas as pdimport osimport sysimport timeimport tensorflow as tffrom tensorflow_core.python.keras.api._v2 import kerasprint(tf.__version__)print(sys.version_info)for module in mpl, np, pd, sklearn, tf, keras: print(module.__name__, module.__version__)# 打印变量所在位置tf.debugging.set_log_device_placement(True) # 自动指定处理设备tf.config.set_soft_device_placement(True)# 获取物理GPU的个数gpus = tf.config.experimental.list_physical_devices("GPU") for gpu in gpus: # 设置内存自增长方式 tf.config.experimental.set_memory_growth(gpu, True) print("物理GPU个数:", len(gpus))# 获取逻辑GPU的个数logical_gpus = tf.config.experimental.list_logical_devices("GPU") print("逻辑GPU个数:", len(logical_gpus))c = []# 循环遍历当前逻辑GPUfor gpu in logical_gpus: print(gpu.name) # 手动设置处理GPU with tf.device(gpu.name): a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]) b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]]) # 矩阵相乘 并且添加至列表 c.append(tf.matmul(a, b))# 手动设置处理GPUwith tf.device("/GPU:0"): matmul_sum = tf.add_n(c)print(matmul_sum)

以上这篇Tensorflow全局设置可见GPU编号操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。